CoaseEdge/AgentNavi

README excerpt

AgentNavi 项目上下文导航引擎 · Project Context Navigation Engine 让 AI Agent 先看懂项目，再开始工作。 项目定位 · 三层架构 · 基准数据 · DeepSeek Harness · 快速开始 · 文档 一个独立于项目仓库、具体 Agent 和 Obsidian 的项目上下文导航引擎。 它不替你写代码，而是让 Codex、Claude Code、DeepSeek Harness 等 Agent 在动手前先知道： 应该读什么、为什么相关、过去发生过什么。 很多人以为，AI 写代码最昂贵的部分是“生成代码”。 但在真实项目里，大量时间和 Token 往往消耗在更前面： 换一个 Agent，开一个新会话，甚至只是隔天继续，往往又要重新走一遍。 问题不是模型不会写，而是它每次进入项目时都像第一次来。 AgentNavi 要解决的，就是这个“每次都从零找路”的问题。 一句话理解 AgentNavi 它是一张给 AI Agent 使用的项目地图，也是一套可以跨会话积累的项目记忆。 面对一个任务，AgentNavi 默认沿着这条路径缩小搜索范围： 它的目标不是把整张知识图谱塞进上下文，而是在不漏掉必要文件的前提下，让 Agent 少走弯路。 它不是什么 AgentNavi 不是另一个自动编程 Agent 。 它不替代 Codex、Claude Code 或 DeepSeek Harness，也不控制模型怎样推理和怎样修改代码。 两者的分工更像这样： 执行者可以更换，项目认知可以继续保留。 三层项目地图 AgentNavi 把项目组织成三层。 L1：项目里客观存在什么 L1 尽量只记录可以从文件和结构中确定的事实，例如： 除了文件，AgentNavi 还可以识别文件内部资源： 当前已经覆盖多类代码、文档、配置、表格、数据库和科学数据格式。完整清单见 文件提取器与格式支持。 L2：这些文件在业务上意味着什么 仅仅知道 upgrade.py imports payment.py 还不够。 人真正关心的是： 因此，L2 会把分散的文件组织成概念： L2 采用三层解释顺序： 自动图谱可以随时重建；人的接受、拒绝、重命名、合并和文件映射会长期保存，不会被下一次扫描覆盖。 L3：项目为什么变成今天这样 L3 记录一次任务实际发生了什么： 下一次再处理类似问题，Agent 不只是找到代码，还能看到过去的任务、修改路径和结果。 一组必须说明边界的 Token 数据 AgentNavi 不把“少读文件”自动等同于“节省 Token”。 只有必要文件没有漏掉、任务也成功，减少的 Token 才有意义。 仓库内置回归测试使用了这样一个案例： 任务：修改会员升级和支付逻辑，并运行对应测试。 测试项目包含 5 个核心文件，并额外加入 24 份体…

Category